Oct, 2023

Artemis: 面向高效隐私保护机器学习的 HE 感知训练

PDF
TL;DR通过使用一种新颖的组 Lasso 正则化目标和修剪技术，我们提出了一种在基于同态加密的推断中非常有效的神经网络修剪技术 Artemis，并证明当应用于现代卷积模型（ResNet18 和 ResNet18）时，可以在三个数据集上实现 1.2-6 倍的性能提升。
privacy-preserving mlhomomorphic encryptionmodel compressiondnn pruningrotation operations
发现论文，激发创造
  • GuardML: 通过混合同态加密实现高效隐私保护的机器学习服务

    以保护隐私和安全的机器学习模型为目标，我们提出了一种基于混合同态加密方案的隐私保护机器学习方法，通过使用混合同态加密构建安全的分类结果学习模型，同时保护输入数据和机器学习模型的隐私。我们通过开发和评估一个基于混合同态加密的隐私保护机器学习应用程序，用于基于敏感心电图数据的心脏疾病分类，证明了我们方法的实际可行性。这种混合同态加密方案的成功整合为相对受限的末端设备上的机器学习提供了一个更安全、更注重隐私的未来展望。

    Jan, 2024

  • 神经网络训练和推理中利用同态加密实现数据隐私保护

    本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略，并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明，尽管同态加密可以为神经网络提供强大的数据隐私保证，但仍存在许多挑战需要解决，例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。

    May, 2023

  • 野心勃勃：隐私保护神经网络训练的可重复研究

    这项工作主要关注机器学习模型的训练阶段，在这个阶段对用户数据的隐私保护至关重要。我们提供了坚实的理论背景，以便更容易理解当前方法及其局限性。此外，我们对最新的模型训练框架进行了详细比较，提供了在标准基准上独特属性和性能的全面对比。我们重现了一些论文的结果，并考察现有作品对开放科学的支持程度，认为我们的工作就提高了关于隐私保护机器学习在理论进展和实际应用之间差距的意识，特别是在开放源代码可用性、可重复性和可用性方面。

    Mar, 2024

  • 超维度计算：高效隐私保护机器学习即服务的救星

    本文研究了使用超维度计算与同态加密的机器学习推断系统，实现了对加密数据的隐私保护，同时提高了性能。

    Aug, 2023

  • 具有转移学习的隐私保护卷积神经网络训练

    这篇论文提出了一种基于同态加密技术的隐私保护卷积神经网络训练的实现解决方案，并应用转移学习简化了 CNN 的训练问题。

    Apr, 2023

  • HEMET: 一种支持同态加密的隐私保护移动神经网络架构

    本论文提出了一种 HEMET 的 HE 友好型隐私保护移动神经网络架构，相较于之前的 PPNNs，HEMET 可以降低推理延迟 59.3%~61.2% 并提高 0.4%~0.5% 的推理精度。

    May, 2021

  • 使用同态加密敏感调整大规模 CNN，实现端到端的安全预测

    本文提出了一种新的 HE-friendly 模型的训练方法，展示了如何使用 HC Layers SDK 运行加密样本，并证明该模型可以在保持高准确度的同时，大大节省运行时间；研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略，并且通过改编 CLIP 模型实现了安全的零 - shot 预测。

    Apr, 2023

  • 基于全同态加密的隐私保护深度神经网络机器学习

    本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略，并采用最新的近似方法来评估非算术函数，成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算，并经过数值验证，得出分类准确率达到了 90.67%。

    Jun, 2021

  • 快速和可扩展的隐私推断

    隐私与安全、密码技术、隐私保护计算、私有推理和同态加密是本文主要关注的关键词，文章总结了最近关于使用神经网络中的私有推理作为动机应用来解决各种隐私保护计算中不同开销的努力，并介绍了其实现方法和加速技术。

    Jul, 2023

  • HETAL：具有同态加密的高效隐私保护迁移学习

    HETAL 是一种高效的基于同态加密的迁移学习算法，通过使用 CKKS 同态加密方案对客户数据进行加密，并采用基于验证的早停方法，实现了对客户隐私的保护，并达到了非加密训练的准确性。

    Mar, 2024